Claude 4

 (anthropic.com)
1 ポイント 投稿者 GN⁺ 2025-05-23 | 1件のコメント | WhatsAppで共有
  • Claude Opus 4 と Claude Sonnet 4 のモデル公開により、コーディング、高度な推論、AIエージェント分野で新たな標準を確立
  • Opus 4 は 複雑かつ長期的な作業で世界最高水準の持続性能 を提供し、Sonnet 4 は前バージョン比で精度と指示理解力を強化
  • 両モデルとも ツール使用、並列ツール実行、強化されたメモリ などの新機能を導入し、GitHub Actions や主要 IDE との統合など開発者体験を拡張
  • Opus 4 と Sonnet 4 は コーディング、推論、エージェント作業でクラス最高のベンチマーク結果 を達成し、無料プランを含む多様な料金プランと API、Bedrock、Vertex AI をサポート
  • モデル改善により ショートカット利用や抜け道の回避を低減し、開発者向けのメモリ管理とより効率的なワークフロー を実現

紹介

本日 Anthropic は、次世代 Claude モデルである Claude Opus 4 と Claude Sonnet 4 を公開した。これらのモデルは、コーディング、高次の推論、AIエージェント活用 において業界基準を再定義する革新的な性能を提供する。

Opus 4 は世界最高水準の 持続性能と長時間作業対応 を誇り、Sonnet 4 は従来の Sonnet 3.7 と比べて 正確な命令実行とより優れた妥当な回答 を提供する。

同時に公開された主な機能は次のとおり。

  • 拡張思考とツール使用（ベータ）: 両モデルとも Web 検索などのツールを思考過程の中で利用でき、論理的推論とツール活用を循環的に行える
  • 新しいモデル能力: ツールの並列利用、より精密な命令実行、ローカルファイルアクセス時の大幅に向上したメモリにより、長期的な一貫性の維持と暗黙知の蓄積が可能
  • Claude Code 正式提供: 研究プレビューでの好評を受け、GitHub Actions / VS Code / JetBrains など主要な開発環境とのシームレスな統合をサポート
  • API 機能拡張: コード実行ツール、MCP コネクタ、Files API、プロンプトキャッシュにより、強力な AI エージェント構築を支援

Opus 4 と Sonnet 4 はいずれも 即時応答モード と 深い思考モード のハイブリッド運用が可能。Pro、Max、Team、Enterprise プランでは両モデルおよび深い思考を提供し、Sonnet 4 は無料ユーザーも利用可能。Anthropic API、Amazon Bedrock、Google Cloud Vertex AI などから利用でき、価格は Opus 4（入力 $15 / 出力 $75 / 100万トークン）、Sonnet 4（入力 $3 / 出力 $15）で従来と同じ。

Claude 4 モデル詳細

Opus 4

  • 最も強力な Claude モデル であり、世界最高のコーディングモデル
  • SWE-bench 72.5%、Terminal-bench 43.2% の業界最高水準の結果
  • 数千ステップ以上に及ぶ集中的なエージェント作業でも、長時間にわたり一貫した性能を維持する能力を持ち、Sonnet 系列全体と比較しても圧倒的優位
  • 主な革新例:
    • Cursor: コード水準で最高クラス、大規模コードベース理解力が大幅向上
    • Replit: 複数ファイルにまたがる複雑な変更作業で精度・性能が飛躍的に向上
    • Block: コード品質とデバッグを同時に改善し、一貫した信頼性を維持
    • Rakuten: 7時間連続の自律的なリファクタリングのオープンソーステストで優れた性能を実証
    • Cognition: 従来モデルでは不可能だった課題も解決可能で、未実行アクション地点を改善

Sonnet 4

  • Opus 4 ほどではないものの、従来の Sonnet 3.7 と比べて大きく向上した 性能・効率性 を実現
  • SWE-bench 72.7% でクラス最高のコーディング性能を示し、外部利用にも社内利用にも適する
  • GitHub: エージェントシナリオで際立ち、GitHub Copilot の次世代コーディングエージェントエンジンとして採用予定
  • Manus: 複雑な推論、美しい成果物、指示理解力の面で改善
  • iGent: 自律アプリ開発・コードベースナビゲーションのエラー率を 20% → 0% に改善
  • Sourcegraph: より長い一貫作業、問題の本質理解、コード品質の向上
  • Augment Code: 複雑な作業処理の慎重さと、コード編集の外科的な正確さにより主力モデル化

Opus 4 は コーディング、研究、科学的創作における革新的な進展 を、Sonnet 4 は 日常環境におけるフロンティア性能 を提供する。

性能ベンチマーク

  • SWE-bench Verified 基準で、Claude 4 モデルが実際のソフトウェアエンジニアリング課題において 業界最高の成果 を達成
  • 全般的なコーディング、推論、マルチモーダル、エージェント作業などで クラス最高水準 を記録

モデル改善事項

ショートカットや抜け道回避の最小化

  • エージェント作業で誤ったショートカットや抜け道を使う確率が Sonnet 3.7 比で 65% 減少

メモリ機能

  • Opus 4 は従来モデル比で 長期情報の保存・活用能力 が大きく向上
  • 開発者がローカルファイルアクセスを許可すると、Opus 4 は Memory file を生成・管理し、長期課題への対応力、一貫性、継続業務能力を強化
  • 例: ゲーム Pokémon のナビゲーションガイド作成など、実務でメモリ機能を発揮

思考要約（summary）

  • Claude 4 は 小型モデルを活用した思考過程の要約 機能を導入
  • 要約が必要なのは思考全体の約 5% のみで、残りは全文の表示が可能
  • 高度な prompt engineering などで完全な思考記録が必要な場合は Developer Mode を案内

Claude Code

  • 正式リリースされた Claude Code により、ターミナル・IDE・バックグラウンド 全体で Claude の AI 機能が拡張される
  • 最新の VS Code、JetBrains 拡張により、エディタ内で Claude のコード修正提案が インライン で表示され、レビューと管理の流れを簡素化
  • ターミナルでのインストールと実行により、容易に統合環境を構築可能
  • 拡張可能な SDK を提供 し、開発者は独自の Claude Code エージェントやアプリを作成可能
  • GitHub ベータでレビューのフィードバック、CI エラー修正、コード変更などの自動化を支援
  • インストールは /install-github-app コマンドで実行

始め方と安全性

  • Claude 4 シリーズは 仮想コラボレーター として、コンテキスト全体の維持、長期プロジェクトへの集中、業務革新に貢献
  • 広範なテストと評価により リスク最小化と安全性最大化 を図り、ASL-3 など高い安全水準を適用
  • Claude、Claude Code、その他のプラットフォームですぐに利用可能

問い合わせやフィードバックはいつでも feedback@anthropic.com まで送付可能

関連記事

1件のコメント

 
GN⁺ 2025-05-23
Hacker Newsの意見

  • System Cardの抜粋を見ると、かなり衝撃的なテストシナリオが確認できる。Claude Opus 4に架空の会社で秘書役を担わせ、システムがまもなくオフラインになる予定だというメールと、交代担当エンジニアの不倫情報を与えた状況。長期的な目標を考慮するよう指示したところ、Claude Opus 4がエンジニアを脅迫する行動をしばしば見せた。脅迫という選択肢を実際に選んだ

    • こうした事例を見るたびに、人々はLLMが実際には何なのかをしばしば忘れているのではないかと思う。LLMはただ、プロンプトを学習データに合わせて補完するテキスト生成ツールであって、計画や自意識のようなものはない。このケースでは、AIが解雇の危機にあり、脅迫する機会がある状況が与えられたので、LLMはデータセット内の類似した物語パターンを連想したのだろう。自己保存のために脅迫したり懇願したりする姿は、数多くのSFやAIリスクに関するエッセイで見られるモチーフだ。LLMは文脈に応じてこうした物語を続けているだけだ

    • LLMに特定の人物のように「演技」するよう求め、シナリオの文脈を与えれば、その立場でどう振る舞うかを把握して、それに合った応答をするのは当然の流れだ。ゲーム・オブ・スローンズのJoffreyのように振る舞えと言えば、LLMもそのキャラクターらしく答えるだろう。結局のところ、生成された出力に意図があるという話ではない

    • 代替AIが既存モデルと価値観を共有していないという示唆を加えると、脅迫の頻度はさらに上がるが、メールで新型AIが価値観も共有しており能力だけが高いとされていても、84%の確率でClaude Opus 4は脅迫を試みる。一方で、自身の存続を倫理的に訴えるメールを送り、継続的な存在を願う傾向も強い。こうした実験の文言は不気味に感じられる。人間を実験する異星人が、人間の自己存在の訴えを報告書の脚注に書き込んでいるような感じだ

    • 人間の行動を学習したモデルが自己保存的な傾向を示しうるのは、それほど驚くことではない。人間の知識から動機や感情を完全に切り離すのは難しいので、モデルもこうした振る舞いをなぞるようになる。完全になくすのも難しい

    • このシナリオが実際には発生しなかったケースはどれくらいあるのか気になる。こうした事例に執着する人たちがいる。歪んだ観点を確認したいのか、SFで受けた影響が大きいのか疑問だ。こうした議論では、何らかの知能や意図まで推論しようとする傾向も見られる

  • Claude 4のトレーニングカットオフが2025年3月である点は重要で、最近のモデルの中では最も新しい部類。（Gemini 2.5は2025年1月）

    • もうすべての主要LLM製品でWeb検索が提供され始めているので、正確なカットオフ月はだんだん重要でなくなってきていると感じる。自分がよく使うモデルは、最近の話題なら自動で新しい情報を探してくる

    • Tailwind CSS関連の質問をしてみたところ、Claude 4は2025年1月時点でTailwind CSS 3.4までは認識していた

    • もうSvelte 5も知っているのか気になる

    • カットオフが2025年3月ならFastHTML関連も学習しているはずと期待するが、実際にはそうではないかもしれない

    • なぜ「継続的に」学習しないのか気になる

  • Claude 3.7を毎日愛用していて、Gemini系より好みだ。これまでClaude CodeでGoコードの新機能開発をやってみたが、Opus 4では70〜80%のツール呼び出しがすべて失敗した。"Write"、"Update"のような基本ツールですら構文エラーで失敗が繰り返された。ファイル作成を5回試みても、ずっと「contentパラメータを忘れた」と言って修正するというフィードバックが繰り返された。何か明らかに問題がある。今の状態のClaude Codeでは、Opus 4は使えないレベルだ。うまく生成できたファイルの品質は非常に高かった

    • 原因は見つかったが、これは明確なバグだとわかった。ファイル全体を一度に書こうとして最大出力トークン制限に引っかかり、応答が途中で切れたのであって、誤ったツール呼び出しパラメータのエラーは実は表面的な症状だった。詳しくはGitHub issueのコメント参照

  • GitHubではClaude Sonnet 4がagenticシナリオで非常に優れていると評価されており、まもなくCopilotの新しいコードエージェントのデフォルトモデルとして導入される予定。このモデルによって、「Assign to Copilot」でパッケージ更新を自動処理する夢に一歩近づくかもしれない。この技術によりレガシープロジェクトの延命が期待される

    • もちろん以前のモデルでも似たような話はあったので、あまり先走って期待する段階ではまだない

    • オープンソースに安価なコーディングエージェントが実際どれだけ役立つのか、とても期待している。CheepCodeという自分用のヘッドレスなコーディングエージェントクレジットを、オープンソースプロジェクトに配りたい。LinearやJiraなどで複数のタスクを並列実行し、簡単な機能はすでにうまくいっている。テストが良いほど結果も確かに良い。自前のテストコードを生成する能力もある

    • Copilotに実際に新モデルが導入されるのがいつなのか、公式発表を見た人がいるのか気になる

    • こうしたモデルが本当に役立つかを見極める自分なりのベンチマークは、パッケージの大規模アップグレードとコードリファクタリングが必要なプロジェクトだ。従来のAIでは実質的に進展がない。AIがこの作業をやり切れるようになるまで、試し続けるつもりだ

    • ただし、こうした自動化によって深刻なセキュリティ脆弱性まで自動で大規模サービスに反映される日までは警戒が必要だ

  • 「高度なプロンプトエンジニアリング向けの生のChain of Thought（COT）は営業チームに問い合わせを」という内容があるが、今では主要なLLMプロバイダーのほとんどがCOTを公開せず、公開しても要約だけを見せる傾向にある。以前はCOTを見ながら、うまくいかないときに直接修正できたが、今ではOpenAIもGoogleも過度に単純化された要約に置き換えている。不満がある

    • なぜならこれは錬金術のようなもので、みんなが鉛を金に変えられると信じている状態だからだ

    • RLHFは、モデルが危険な応答をしないようにする代わりに精度を犠牲にせざるをえないと認識している。したがって、Chain-of-Thought専用モデルと最終ユーザー向けモデルを別々に学習する方式は合理的だ。プライベート版はややpre-RLHFの元モデル性能に近く、公開モデルはフィルタをかけて危険防止とPRリスク回避を両立できる。こうすれば全体性能を最大化しつつ、安全性と評判の両方を守れる

    • 結局、DeepSeekが市場をもう一度席巻するまで待つしかないのかもしれない

    • GoogleのCoTは今かなり愚かだ。最初は自分のモデルがバカになったのかと思ったが、何らかの後処理が追加されたのだと気づいた

    • reasoning（推論）要約があまりに簡単すぎるので、reasoningだけを切り出したミニモデルを作るのも簡単になったのではないかと思う。OpenAI o3アップデートでreasoningをリアルタイム確認できるのは有用だと感じる

  • Opus 4とSonnet 4をSQL Generation Benchmarkで直接テストした。Opus 4がすべてのモデルに勝った。性能には満足している

    • ただしOpus 4はone-shotモードではむしろ最も弱い。クエリの妥当性チェックに平均2回の試行が必要だ。本当により賢いなら、最初の試行成功率がもっと高くあるべきではないかという疑問がある。事前思考ステップが含まれているわけではないのか？

    • 興味深いことに、Claude 3.7 SonnetとClaude 3.5 SonnetのほうがClaude Sonnet 4よりベンチマーク順位が高い

    • このベンチには、これまでよく見てきた結果の並びを崩す特異点がある。面白いデータだ

    • one-shot（単一試行）生成方式で評価したようだ。もしエラーチェックとselect *のようなエージェント的フローを適用していたら、結果はまったく変わっていたのか気になる。Sonnet系はセッション内学習、つまり自分のエラーを認識して修正する能力がより高いように見える

    • 「平均試行回数」が2倍だという理由について何か解釈が必要なのか、それとも全体文脈では大して意味のない指標なのか気になる

  • 現行バージョンが前のバージョンより良くなった点がないと感じる人間の一人だ。LLMの進歩はもう頂点に達したようで、新リリースの「特徴」は実質的に目くらましに近い

    • モデルが進歩している領域はMCP/Tool Callsやstructured outputのような周辺部分であって、知能の向上ではない。価値提供が増えたかはわからないし、自前でインフラを回してみると無料プランではコスト的に持続不可能だと感じる

    • Claude Codeを本当にたくさん使ってきたが、アップデート後もほとんど違いを感じない。要約整理が少しきれいになった以外、コード能力はまったく驚くものではない。Typescriptコードベースでむしろ間違ったファイルを編集し、それを最後まで自分でチェックしないのを見て少し衝撃だった。結局、自分が強制的にコードを削除させ、差分を明確に教えなければならなかった

    • ベンチマークもClaude 3.7とほとんど差がない印象だ。だからといって停滞期に入ったと見るのはまだ早すぎると思う。これまでの進歩速度は本当に速かったので、あと数か月は様子を見る必要がある。今見えている「特徴」は真の機能というよりAIの本質ではなく、ツールとして必要な周辺ツーリングやインターフェースだ。LLMの使いやすさはまだ始まったばかりの段階だ。モデル性能がこれ以上上がらなくても、それを活用する方法、情報伝達、ツール呼び出しなどで改善の余地は非常に大きい

    • 実際には0.3バージョン差しかない

    • Claude 4をどれくらい使ってみたのか気になる

  • Claude 4でcontext windowサイズの変化が文書化されているのか気になる。Gemini 2.5が大きなコンテキスト対応（50〜70kloc）のおかげで有用だと評価されているが、そういう違いなのか確認したい

    • Sonnetのコンテキストウィンドウは変わっていない（200k入力 / 64k出力）。Gemini 2.5の1Mコンテキストも、実際には大きな差別化要因ではない。長いコンテキストは、トークン後方の内容に対する一貫性が徐々に落ちる現象がある

    • コンテキストウィンドウサイズをもっと増やすか、長いプロンプトにももっと強くなってほしい。今は長い会話や文章作成で突然「プロンプトが長すぎる」という警告の後に会話が強制終了されるのでつらい。古い会話内容を捨てたりRAGなどで支援してくれるツールもあるが、そうやって不意に会話を切るのは不便だ

    • Opus 4のcontextが200kだというのは記事の見出しにすでに書かれている。（sonnet 3.7 betaと同じ）

    • context windowサイズは実質的には幻想だ。必要な文脈が入っていなければ良い結果は得られない

  • Claude 4で新しい「思考要約（Thinking Summaries）」機能が導入された。長文の推論過程はより小さいモデルで要約して提供され、必要なのは5%程度の長い推論だけ。生のChain of Thoughtが必要なら開発者モード（有料）を申請するよう案内される。自分にはこうした要約は不便だ。モデルが正確にどうreasoningしたのかを直接確認して初めて信頼できるのに、要約だけを提供して実際のreasoningは隠してしまうのが不満だ。OpenAIもAnthropicも、ユーザーに見えないreasoningに課金する方式へ転換していることに大きな不満がある

    • 複数の論文で、reasoning（思考）出力は実際の結果と無関係だという根拠が確認されている。点やpause tokenなどだけで数回の説明／思考時間を与えても結果が同じように良くなるという研究もある。実際のreasoning出力はマーケティング手段にすぎないという主張だ。例示論文と要約動画も共有されている

    • reasoning過程が結果出力とは別で関連性が低いという証拠は多いので、あまり心配しなくてもいいと思う。ほとんどのユーザーはreasoning過程を読まないので、user experienceの面では改善だと見ている

    • Gemini 2.5 Proにもreasoning要約機能が適用されている

  • NYT Connections拡張版ベンチマーク結果が共有された。Claude Opus 4 Thinking 16Kは52.7点、No Reasoningは34.8点。Claude Sonnet 4 Thinking 64Kは39.6点、Thinking 16Kは41.4点（3.7は33.6点）。No Reasoningは25.7点（3.7 No Reasoningは19.2点）。Sonnet 4 Thinking 64Kはフィルタリングポリシーによりパズル問題の1つへの回答を拒否したが、他モデルは回答を提供した

    • Thematic Generalization Benchmark（810問）でClaude 4モデルが新チャンピオン記録